Мойын омыртқасы кескіндерін машиналық оқыту арқылы талдау

МОЙЫН-ОМЫРТҚА БӨЛІМІНІҢ ТОМОГРАФИЯЛЫҚ КЕСКІНДЕРІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІМЕН КЛАССИФИКАЦИЯЛАУ

Абайұлы Тұрмұханбет

Әл-Фараби атындағы Қазақ Ұлттық Университеті

«Қолданбалы және есептеу математикасы» мамандығының

1-курс магистранты

Алматы, Қазақстан

[email protected]

тел. номері:+7(747)-549-79-16

Аңдатпа

Қазіргі заманғы медициналық диагностика саласында жасанды интеллект (Artificial Intelligence – AI) және машина оқыту (Machine Learning – ML) әдістерінің рөлі күн санап артып келеді. Атап айтқанда, омыртқа ауруларын ерте анықтауда радиологиялық кескіндерді автоматты түрде өңдеу мен талдау әдістері аса маңызды. Осы бағытта, мойын омыртқасының магнитті-резонансты (МРТ) және компьютерлік томография (КТ) кескіндерін пайдалану – клиникалық шешім қабылдауды автоматтандырудың тиімді жолы. Бұл мақалада машина оқыту мен терең нейрондық желілер арқылы мойын омыртқасының томографиялық кескіндерін классификациялаудың теориялық және практикалық аспектілері қарастырылады. Сонымен қатар, кескіндерді алдын ала өңдеу, аннотациялау, модельдер құру, деректер жиынтықтарын пайдалану және алгоритмдердің тиімділігі зерттеледі. Жұмыс нәтижесінде AI жүйелерінің диагностика саласындағы маңыздылығы мен болашағы жан-жақты ашылады.

Кілт сөздер: мойын омыртқасы, томография, машина оқыту, жасанды интеллект, МРТ, КТ, классификация, нейрондық желі.

Кіріспе

Қазіргі таңда медициналық технологиялар қарқынды дамып, диагностика мен емдеу тәсілдері күрделіленіп бара жатыр. Ауруларды ерте кезеңде анықтау мен дұрыс диагноз қою – медицинаның ең маңызды міндеттерінің бірі. Бұл әсіресе ортопедия, нейрохирургия және неврология салаларында аса маңызды, себебі жүйке жүйесімен тікелей байланысты құрылымдардың – атап айтқанда, мойын омыртқасы аймағының – патологияларын уақытылы диагностикалау адамның жалпы денсаулығына және өмір сапасына тікелей әсер етеді.

Мойын омыртқасы (лат. pars cervicalis) жеті омыртқадан (С1–С7) тұрады және адамның басын ұстап тұру, айналдыру, иіп-бүгу секілді негізгі қозғалыс функцияларын орындайды. Сонымен қатар, мойын аймағы арқылы жұлын мен күре тамырлар, жүйке түйіндері өтеді. Осы анатомиялық күрделі құрылымның кез келген зақымдануы ауыр неврологиялық асқынуларға, тіпті мүгедектікке алып келуі мүмкін. Сондықтан, мойын омыртқасы патологияларын ерте диагностикалау – медицинада аса өзекті мәселе.

Клиникалық тәжірибеде бұл мақсатта магнитті-резонансты томография (МРТ) және компьютерлік томография (КТ) сияқты заманауи бейнелеу технологиялары кеңінен қолданылады. Бұл әдістер адамның ішкі анатомиясын инвазивті емес тәсілмен жоғары дәлдікпен көрсетуге мүмкіндік береді. Алайда, мұндай томографиялардың нәтижелерін дұрыс интерпретациялау тәжірибелі дәрігер-рентгенологтардың ұзақ уақытын алады және белгілі бір дәрежеде субъективтілікке тәуелді болады.

Мұндай жағдайларда жасанды интеллект (AI) және машина оқыту (ML) технологияларын пайдалану арқылы автоматтандырылған талдау жүйелерін құру – өте өзекті әрі болашағы зор бағыт. Машина оқыту әдістері, әсіресе терең оқыту (deep learning) модельдері, медициналық кескіндерден патологиялық өзгерістерді анықтап, оларды жүйелі түрде классификациялай алады. Бұл өз кезегінде дәрігердің жұмысын жеңілдетіп қана қоймай, адамның өмірін сақтап қалуға ықпал етуі мүмкін.

Машина оқыту әдістері арқылы мойын омыртқасындағы патологияларды анықтауға бағытталған зерттеулер соңғы жылдары кең тарала бастады. Бұл модельдер белгілі бір патологияны (мысалы, жарықша, стеноз, сынық) анықтап қана қоймай, оның орналасқан аймағын (мысалы, С4–С5 дискі аралығы) да нақты көрсете алады. Сонымен қатар, патологияның дәрежесін (жеңіл, орташа, ауыр) бағалауға мүмкіндік береді.

Алайда, бұл бағыттың дамуы бірқатар қиындықтарға да тап болады. Медициналық деректердің құпиялылығы, жеткілікті көлемдегі сапалы аннотталған деректер жиынтықтарының болмауы, модельдердің интерпретациялану қиындығы – бұл саланың басты проблемалары болып табылады. Осыған қарамастан, көптеген зерттеулер жоғары нәтижелер көрсетіп, бұл технологиялардың болашағы зор екенін дәлелдеуде.

Осы мақалада біз мойын омыртқасы аймағына бағытталған томографиялық кескіндерді автоматты түрде классификациялау мәселесін жан-жақты қарастырамыз. Машина оқыту мен терең нейрондық желілер негізіндегі әдістерге тоқтала отырып, олардың құрылымын, қолдану ерекшеліктерін, жетістіктерін және шектеулерін сипаттаймыз. Сонымен қатар, осы бағыттағы ашық деректер жиынтықтары мен нақты ғылыми зерттеу нәтижелерін талдаймыз.

Негізгі бөлім

Зерттеудің теориялық негіздері

Машина оқыту мен жасанды интеллект жүйелерін медициналық диагностикаға енгізу — соңғы онжылдықтардағы ғылым мен технологияның түйіскен нүктелерінің бірі болып табылады. Бұл бағыт – қазіргі заманғы денсаулық сақтау жүйесінің ажырамас бөлігіне айналып келеді. Әсіресе, күрделі анатомиялық аймақтарды, мысалы, мойын омыртқасын зерттеуде машиналық модельдерді қолдану диагностикалық дәлдікті арттырып, дәрігердің шешім қабылдау процесін жылдамдатады.

Мойын омыртқасы адам денесінің ең қозғалмалы әрі нәзік құрылымдарының бірі. Ол жеті омыртқадан (C1–C7) тұрады және жұлынды, ми бағанын, күре тамырлар мен жүйке жолдарын қорғайды. Оның анатомиялық құрылымы күрделі, әрі кез келген ақау немесе дегенеративті өзгеріс адам денсаулығына айтарлықтай қауіп төндіруі мүмкін. Мұндай патологияларға жататындар:

Омыртқааралық дисктің грыжасы (жарықша);

Остеохондроз және остеофиттер (сүйектік өсінділер);

Фасет буындарының артрозы;

Мойын спондилезі;

Стеноз (жұлын каналының тарылуы);

Жарақаттар мен сынықтар (әсіресе автокөлік апаттарынан кейін).

Осындай патологияларды анықтау үшін ең кең таралған және дәл бейнелеу әдістері — магнитті-резонансты томография (МРТ) және компьютерлік томография (КТ). МРТ жұмсақ тіндер мен жұлын құрылымдарын айқын көрсетсе, КТ сүйек құрылымдарын, мысалы, омыртқалар мен фасет буындарын нақты бейнелейді. Бұл томографиялық деректердің көлемі мен күрделілігі дәрігердің визуалды бағалауын қиындатуы мүмкін, әсіресе жұмыс жүктемесі жоғары кезде. Сондықтан дәл осы сәтте жасанды интеллект пен машина оқыту әдістері таптырмас көмекші құрал ретінде алдыңғы қатарға шығады.

Машина оқыту теориясы бойынша, алгоритмдер алдын ала берілген мәліметтерден үйреніп, жаңа мәліметтерді автоматты түрде тануға қабілетті болады. Бұл жүйелердің негізгі мақсаты — адам қабылдайтын шешімдердің дәлдігін имитациялау немесе тіпті жақсарту. Мойын омыртқасының томографиялық кескіндеріне қатысты бұл — кескінде қандай да бір патологияның бар-жоғын анықтау, оның түрін, орналасу аймағын және ауырлық деңгейін автоматты түрде бағалау дегенді білдіреді.

Классификациялау мәселесі – машиналық оқытуда жиі кездесетін міндеттердің бірі. Бұл жағдайда алгоритмге “кіру” ретінде томография кескіні беріледі, ал “шығу” ретінде белгілі бір класс: мысалы, "грыжа бар/жоқ", "сынық бар/жоқ", "стеноздың дәрежесі: жеңіл/орташа/ауыр" және т.б. Алгоритм кескіннің ерекшеліктерін (текстура, пішін, айқындық, контурлар және т.б.) талдай отырып, оған сәйкес классты автоматты түрде анықтайды.

Көп жағдайда бұл міндетті шешу үшін сверткіш нейрондық желілер (Convolutional Neural Networks – CNN) қолданылады. Олар кескіннің кеңістіктік ерекшеліктерін тиімді талдап, жоғары дәлдікке қол жеткізе алады. CNN құрылымы адам көзінің жұмыс принципіне ұқсас: алдымен кескіндегі шеттер мен формалар анықталады, кейін олар күрделене түсіп, жоғары деңгейлі белгілерге айналады (мысалы, "дөңгелек пішінді жарықша", "тарылған канал" және т.б.). Модель осылайша патологияны таниды.

Медициналық кескіндерге тән бір ерекшелік — олардың үшөлшемділігі (3D). КТ және МРТ нәтижелері көптеген қабаттардан (срездерден) тұрады. Сондықтан машиналық модель тек 2D кескінмен ғана емес, бірнеше срездер немесе толық 3D көлеммен жұмыс істеуге бейімделуі қажет. Осы мақсатта 3D CNN, U-Net 3D, V-Net сияқты кеңейтілген архитектуралар жасалды.

Жасанды интеллект жүйесін медициналық диагностикада қолданудың артықшылықтары:

Диагноз қою уақытының қысқаруы;

Адами қателіктердің азаюы;

Диагностикалық дәлдіктің артуы;

Патологияны ерте сатысында анықтау мүмкіндігі;

Дәрігер шешімін қолдайтын екінші “цифрлық сарапшы” ретінде жұмыс істеу.

Алайда, бұл технологиялардың толық жүзеге асуы үшін үлкен көлемдегі сапалы және нақты аннотталған медициналық деректер қажет. Өкінішке қарай, көптеген зерттеулер шағын деректер жиынтықтарымен шектеледі, бұл модельдің жалпылау қабілетіне кері әсер етуі мүмкін.

Сондай-ақ, интерпретация мәселесі де маңызды. Яғни, алгоритм белгілі бір шешім қабылдаған кезде, ол неге солай жасағанын түсіндіре білуі керек. Бұл медицина саласында аса маңызды, себебі адам өмірі мен денсаулығы – басты құндылық. Сондықтан заманауи зерттеулер интерпретацияланатын жасанды интеллект (Explainable AI – XAI) бағытында да дамып келеді.

Қолданылған әдістер

Мойын омыртқасының томографиялық кескіндерін машина оқыту алгоритмдерімен талдау үшін бірнеше кезеңнен тұратын зерттеу әдістемесі қолданылды. Бұл бөлімде қолданылған дереккөздер, кескіндерді алдын ала өңдеу, модельдерді құру және үйрету, сондай-ақ бағалау метрикалары…